目录
41.CNN 结构特点
典型的用于分类的CNN主要由**卷积层+激活函数+池化层**组成,最后用全连接层输出。卷积层负责提取图像中的局部特征;池化层用来大幅降低参数量级(降维);全连接层类似传统神经网络的部分,用来输出想要的结果。
`CNN` 具有局部连接、权值共享、池化操作(简单说就是下采样)和多层次结构的特点。
+ 局部连接使网络可以提取数据的局部特征。
+ 权值共享大大降低了网络的训练难度,一个Filter只提取一个特征,在整个图片(或者语音/文本) 中进行卷积。
+ 池化操作与多层次结构一起,实现了数据的降维,将低层次的局部特征组合成为较高层次的特征,从而对整个图片进行表示。
+ 卷积神经网络学到的模式具有平移不变性(`translation invariant`),且可以学到模式的空间层次结构。
42.CNN 权值共享问题
首先**权值共享就是滤波器共享**,滤波器的参数是固定的&#